Health

AI detecteert spraakpatronen van autisme in verschillende talen

Overzicht: Algoritmen voor machinaal leren helpen onderzoekers spraakpatronen bij kinderen met autisme te identificeren die consistent zijn in verschillende talen.

Bron: Noordwestelijke Universiteit

Een nieuwe studie door onderzoekers van de Northwestern University gebruikte machinaal leren – een tak van kunstmatige intelligentie – om spraakpatronen bij kinderen met autisme te identificeren die consistent waren tussen Engels en Kantonees, wat suggereert dat spraakkenmerken een nuttig hulpmiddel kunnen zijn bij het diagnosticeren van de ziekte.

De studie, uitgevoerd in samenwerking met medewerkers in Hong Kong, heeft informatie opgeleverd die wetenschappers zou kunnen helpen onderscheid te maken tussen genetische en omgevingsfactoren die de communicatievaardigheden van mensen met autisme vormen, waardoor ze mogelijk meer te weten komen over de oorsprong van de ziekte en nieuwe therapieën kunnen ontwikkelen.

Kinderen met autisme spreken vaak langzamer dan normaal ontwikkelende kinderen en vertonen andere verschillen in toonhoogte, intonatie en ritme. Maar deze verschillen (door onderzoekers ‘prosodische verschillen’ genoemd) zijn verrassend moeilijk consistent en objectief te karakteriseren, en hun oorsprong is decennialang onduidelijk gebleven.

Een team van onderzoekers onder leiding van Noordwest-wetenschappers Molly Losh en Joseph CY Lau, samen met de in Hong Kong gevestigde medewerker Patrick Wong en zijn team, hebben echter met succes machine learning onder toezicht gebruikt om taalverschillen in verband met autisme te identificeren.

De gegevens die werden gebruikt om het algoritme te trainen, waren opnames van jonge Engelssprekende en Kantonezen met en zonder autisme die hun eigen versie vertellen van het verhaal dat wordt beschreven in een woordeloos kinderprentenboek met de titel “Frog, Where Are You?”

De resultaten zijn gepubliceerd in het tijdschrift PLOS A 8 juni 2022.

“Als je talen hebt die zo structureel verschillend zijn, zijn overeenkomsten in de spraakpatronen die bij autisme in de twee talen worden gezien waarschijnlijk eigenschappen die sterk worden beïnvloed door de genetische verantwoordelijkheid voor autisme”, zei Losh. Jo Ann G. en Peter F. Dolle hoogleraar leerstoornissen bij Northwestern.

“Maar even interessant is de variabiliteit die we hebben waargenomen, wat kan wijzen op kenmerken van spraak die kneedbaarder zijn en mogelijk goede doelen voor interventie.”

Lau voegde eraan toe dat het gebruik van machinaal leren om sleutelelementen van spraak te identificeren die voorspellend waren voor autisme, een belangrijke stap voorwaarts was voor onderzoekers, die beperkt waren door Engelse taalvooroordelen in onderzoek naar autisme en menselijke subjectiviteit als het ging om het classificeren van spraakverschillen. tussen mensen met autisme en anderen.

“Met behulp van deze methode konden we kenmerken van spraak identificeren die de diagnose autisme kunnen voorspellen”, zegt Lau, een postdoctoraal onderzoeker die samenwerkt met Losh in de afdeling Communicatiewetenschappen en Stoornissen van Roxelyn en Richard Pepper van Northwestern.

“De belangrijkste van deze eigenschappen is ritme. We hopen dat deze studie als basis kan dienen voor toekomstig autismewerk dat afhankelijk is van machinaal leren.

De onderzoekers geloven dat hun werk de potentie heeft om bij te dragen aan een beter begrip van autisme. Kunstmatige intelligentie heeft het potentieel om de diagnose van autisme gemakkelijker te maken door de last voor zorgprofessionals te verminderen, waardoor de diagnose van autisme voor meer mensen toegankelijk wordt, zei Lau. Het zou ook een hulpmiddel kunnen zijn dat op een dag culturen zou kunnen overstijgen, dankzij het vermogen van de computer om woorden en geluiden kwantitatief te analyseren, ongeacht de taal.

De onderzoekers geloven dat hun werk een hulpmiddel zou kunnen zijn dat op een dag culturen zou kunnen overstijgen, dankzij het vermogen van de computer om woorden en geluiden kwantitatief te analyseren, ongeacht de taal. Afbeelding is in het publieke domein

Aangezien spraakkenmerken die door middel van machinaal leren worden geïdentificeerd, zowel de Engelse en Kantonees- als taalspecifieke kenmerken zijn, zei Losh, kan machinaal leren nuttig zijn voor het ontwikkelen van hulpmiddelen die niet alleen aspecten van spraak identificeren die geschikt zijn voor therapeutische interventies, maar ook het effect van deze interventies door de voortgang van een spreker in de loop van de tijd te evalueren.

Ten slotte zouden de onderzoeksresultaten kunnen bijdragen aan inspanningen om de rol van specifieke genen en hersenverwerkingsmechanismen die betrokken zijn bij genetische vatbaarheid voor autisme te identificeren en te begrijpen, aldus de auteurs. Uiteindelijk is hun doel om een ​​completer beeld te krijgen van de factoren die de spraakverschillen van mensen met autisme bepalen.

“Een van de betrokken hersennetwerken is het auditieve pad op subcorticaal niveau, dat echt sterk verband houdt met verschillen in hoe spraakgeluiden in de hersenen worden verwerkt door mensen met autisme in vergelijking met degenen die zich doorgaans door culturen ontwikkelen,” zei Lau.

“Een volgende stap zal zijn om te bepalen of deze verschillen in verwerking in de hersenen leiden tot de gedragsmatige spraakpatronen die we hier waarnemen, en hun onderliggende neurale genetica. We zijn enthousiast over wat ons te wachten staat.

Zie ook

Dit toont een artistieke houtsnede van het gezicht van een jonge vrouw

Over dit AI en ASD onderzoeksnieuws

Auteur: Max Winski
Bron: Noordwestelijke Universiteit
Contact: Max Witynski – Northwestern University
Afbeelding: Afbeelding is in het publieke domein

Originele onderzoek: Gratis toegang.
“Cross-linguïstische patronen van prosodische spraakverschillen bij autisme: een machine learning-onderzoek” door Joseph CY Lau et al. PLOS EEN


Overzicht

Cross-linguïstische spraakpatronen Prosodische verschillen in autisme: een onderzoek naar machine learning

Verschillen in spraakprosodie zijn een algemeen waargenomen kenmerk van autismespectrumstoornissen (ASS). Het is echter onduidelijk hoe prosodische verschillen in ASS zich manifesteren in verschillende talen die cross-linguïstische variabiliteit in prosodie aantonen.

Met behulp van een gesuperviseerde analytische benadering van machinaal leren, onderzochten we akoestische kenmerken die relevant zijn voor ritmische en intonatieaspecten van prosodie, afgeleid van verhalende voorbeelden verkregen in het Engels en Kantonees, twee typologisch en prosodisch verschillende talen.

Onze modellen onthulden een succesvolle classificatie van ASS-diagnose met behulp van ritmegerelateerde functies binnen en tussen de twee talen. Classificatie met intonatierelevante kenmerken was significant voor het Engels, maar niet voor het Kantonees.

De resultaten benadrukken ritmeverschillen als een belangrijke beïnvloede prosodische eigenschap in ASS, en demonstreren ook significante variabiliteit in andere prosodische eigenschappen die lijken te worden gemoduleerd door taalspecifieke verschillen, zoals intonatie.

About the author

samoda

Leave a Comment